行人与骑行人检测是先进辅助驾驶系统中不可或缺的一部分。通过对行人及骑行人进行检测,给汽车提供预判,可在很大程度上降低交通事故的发生率,减少人员伤亡程度,对人类的生命安全和社会都具有深远影响。现有的算法多将行人与骑行人分开处理,很少有进行行人与骑行人同时检测的算法,在实际应用时会导致硬件资源的浪费和时间的浪费。因此,本文旨在提出一种行人与骑行人同时检测算法。行人与骑行人检测,是目标检测任务的一个应用任务。尽管在某些领域内,YOLO等经典的通用目标检测算法可以快速准确地进行目标检测,但在进行行人与骑行人检测时,需要针对具体问题进行具体分析。为给系统提供清晰而广阔的行车视野,用于行人与骑行人检测的图像通常具有高分辨率。在真实行车环境中,道路环境复杂多变,目标个体差异大、尺寸差距大,这给行人与骑行人检测带来了困难,传统的通用检测算法难以适应这些问题。针对以上问题,本文建立了一种行人与骑行人检测框架,对行人及骑行人检测过程中涉及的相关技术进行研究。该检测框架能够实现行人与骑行人同时检测,在区分前景与背景的基础上,区分这两类目标。本文提出的行人与骑行人检测框架包括三部分:感兴趣区域提取算法、检测算法和后期优化处理。为了从高分辨率图像中提取感兴趣区域,缩小目标检测范围,解决图像分辨率大、目标分辨率低导致的漏检问题,本文分析介绍了聚合通道特征(ACF)和局部去相关通道特征(LDCF)两种算法,在此基础上,提出了 ACF-RP和LDCF-RP感兴趣区域提取算法。这两种算法分别利用ACF检测器和LDCF检测器对候选区域进行初步提取,并对初步提取的候选区域进行分析处理,得到最终的感兴趣区域,用于检测网络的检测。对算法结构进行理论分析,并用实验证明了算法的有效性,实验证明,提出的算法可以在保证目标尽可能不被漏检的情况下,减小检测范围。为解决行人与骑行人姿势多样、光照及遮挡等问题,本文的检测网络以YOLOv3为基础进行改进。为了融合不同分辨率下的检测结果,解决行人与骑行人尺寸跨度大的问题,本文采用了多分支的检测网络PM-YOLO,检测网络包含多个分支,每个分支对应不同的分辨率,并对每个分支结果进行融合优化,以减小目标漏检率。为进一步优化检测结果,在将各分支网络的检测结果进行融合后,将结果进行映射,并利用非极大值抑制算法对检测结果进行优化。本文对提出的算法进行验证实验,实验表明本文提出的行人与骑行人检测算法可以在复杂行车场景下同时进行行人与骑行人同时检测,验证了算法的有效性。